Blogreihe Data Science
Blogreihe Data Science
Triple KI – Data Science durchgängig gedacht! Claudia Dukino und Damian Kutzias promovieren zu der Frage, wie datenbasierte Projekte erfolgreich zu anwendbaren KI-Lösungen umgesetzt werden können. In einer gemeinsamen Blogreihe bündelt das KI-Tandem seine Kompetenzen und Forschungsergebnisse und veranschaulicht, wie die Verzahnung von Prozessen, Tätigkeiten und Technologien von der Ideengenerierung bis hin zur Inbetriebnahme neuer Lösungen in Unternehmen Mehrwerte schaffen kann.

Kaum ein Unternehmen kommt heute um den Einsatz von KI herum, wenn es als innovativ gelten und wettbewerbsfähig bleiben will. Die Einführung von KI im Unternehmen ist jedoch nach wie vor mit zahlreichen Herausforderungen verbunden. Das liegt nicht daran, dass es an Technologien oder der entsprechenden Technik mangelt. Daten sind mittlerweile ebenfalls für den Großteil der geplanten Anwendungsfälle verfügbar, auch wenn sie nicht immer sofort in der benötigten Qualität und Menge vorliegen. Deshalb müssen sie manchmal erst aufbereitet werden. Vielmehr mangelt es häufig an ausreichendem Wissen und den notwendigen Ressourcen. Um diesen Herausforderungen zu begegnen, kann ein systematischer und durchgängiger Projektmanagementansatz helfen, der Unternehmen in die Lage versetzt, KI- und Data-Science-Projekte von der Idee bis zur Verwertung der Ergebnisse, mittels Leitfragen, Methoden und Werkzeugen zu begleiten.

Warum KI viel mehr braucht als Daten

Bisherige Modelle konzentrieren sich meist ausschließlich oder überwiegend auf Daten und Modelle, anstatt das Projekt in den Unternehmenskontext einzubetten. Dadurch können Projekte scheitern, beispielsweise weil die Mitarbeitenden zu spät informiert werden und somit die Akzeptanz für die Neuerungen nicht vorhanden ist oder die spätere Systemintegration und damit die Betrachtung der Prozesse zu spät erfolgt und eine Integration problematisch wird.

Im letzten Beitrag unserer Blogreihe »Triple KI« geht es um das neue Data Science Vorgehensmodell, den DSPG, einem Vorgehensmodell zur systematischen Durchführung von KI- und Data Science-Projekten.

Offen, praktisch und anwendungsfreundlich: der Data Science Project Guide

Der Data Science Project Guide (DSPG) ist ein Vorgehensmodell, das alle Unternehmen, unabhängig von Branche und Größe, methodisch mit Leitfragen und anbieterneutralen Werkzeugen für jeden Projektschritt unterstützt – und zwar durchgängig von der Idee bis zum produktiven Einsatz der Lösung. Das Besondere an diesem Modell ist, dass es nicht nur die technischen, sondern auch die menschlichen und organisatorischen Aspekte berücksichtigt, die gerade bei der Projektvorbereitung und der Überführung der Lösung in den Betrieb eine Rolle spielen. Zentral ist dabei die durchgängige Betrachtung, wie und an welcher Stelle im jeweiligen Prozess sich die Tätigkeiten des Menschen verändern und wie die Mensch-Technik-Interaktion zukünftig gestaltet wird.

Vier Phasen zur erfolgreichen Durchführung von KI- und Data Science Projekten

Abbildung 1: Das Vorgehensmodell zeigt vier Phasen mit insgesamt 21 Schritten für einen idealtypischen Ablauf. Dieser ist nicht zwangsläufig einzuhalten, sondern je nach Bedarf anzupassen. Es kann also sein, dass Projektschritte wiederholt werden müssen. Manchmal ist es auch notwendig, Schritte auszulassen oder zu einem anderen Zeitpunkt auszuführen.

Abbildung 1: Das Vorgehensmodell zeigt vier Phasen mit insgesamt 21 Schritten für einen idealtypischen Ablauf. Dieser ist nicht zwangsläufig einzuhalten, sondern je nach Bedarf anzupassen. Es kann also sein, dass Projektschritte wiederholt werden müssen. Manchmal ist es auch notwendig, Schritte auszulassen oder zu einem anderen Zeitpunkt auszuführen.

In der ersten Phase »Ziele und Anforderungen« geht es darum, das Projekt vorzubereiten und die Projektziele festzulegen. Um die Ziele zu erreichen, ist es wichtig, alle Anforderungen aufzunehmen, die an das Projekt gestellt werden. Alle Stakeholder und ihre Tätigkeiten, die durch das Projekt unterstützt bzw. der Tätigkeiten automatisiert werden sollen, sollten berücksichtigt werden. Damit das Projekt erfolgreich in die bestehenden Prozesse integriert werden kann, sollten sich Verantwortliche von Anfang an mit den bestehenden Prozessen auseinandersetzen. Parallel zur Anforderungsanalyse wird eine Wirtschaftlichkeitseinschätzung durchgeführt, um frühzeitig eine Entscheidung gegen oder für eine Projektfortführung zu treffen.

In der dritten Phase »Konzepte und Entwicklung« geht es um die Umsetzung der Inhalte in eine datenbasierte Lösung. Dabei steht die Arbeit mit den Daten im Mittelpunkt. Das Modell- und Feature-Engineering spielt dabei eine zentrale Rolle. Ebenso werden Robustheit und KI-Sicherheit berücksichtigt. Für die spätere Überführung in die betriebliche Praxis sollte zudem die Daten- und Systemarchitektur konzeptionell berücksichtigt werden. Am Ende dieser Phase wird die entstandene Lösung, insbesondere datenbasierte Modelle, evaluiert. Dabei wird geprüft, ob die Ziele erreicht wurden und die Lösung wirtschaftlich in die Praxis überführt werden kann. Falls nicht sollte nachgebessert oder abgebrochen werden, um Ressourcenverschwendung zu vermeiden.

In Phase 4 »Nutzbarmachung der Ergebnisse« geht es darum, die Lösung in den aktiven Betrieb zu überführen, d. h. in bestehende Prozesse und Systeme zu integrieren. Außerdem gilt es, die betroffenen Stakeholder an die neue Lösung heranzuführen und falls nötig zu qualifizieren.

Im »Leitfaden zur Durchführung von KI-Projekten« sind die Phasen und Projektschritte detaillierter beschrieben: Die Struktur ist immer gleich: Zuerst werden mittels Icons die Personengruppen gekennzeichnet, welche in dem inhaltlichen Schritt üblicherweise eine zentrale Rolle einnehmen. Anschließend gibt es eine kurze Einführung ins Thema. Im Anschluss werden Leitfragen für den jeweiligen Themenbereich gestellt und Methoden und Werkzeuge vorgestellt, die bei der Umsetzung helfen können.

Dieses Vorgehensmodell ist das Ergebnis unserer beiden Doktorarbeiten (Damian Kutzias und meiner), welches im Rahmen des Projekts »KI-ULTRA« (KI-Unternehmenslabore für Transformation und Change) mit Hilfe der dort beteiligten 30 Unternehmen in der Praxis evaluiert und optimiert werden konnte.

Wenn Sie nicht wissen, wie sie so ein komplexes Projekt im eigenen Haus umsetzen sollen, helfen wir Ihnen natürlich jederzeit dabei. Kommen Sie einfach auf uns zu und wir prüfen gemeinsam, wo bei Ihnen im Unternehmen Potenziale schlummern, die sie noch nicht voll ausschöpfen. Wir unterstützen Sie dabei, auch in Zukunft ganz vorne mitzuspielen.

Leselinks:

Claudia Dukino

Claudia Dukino ist wissenschaftliche Mitarbeiterin am Fraunhofer IAO. Sie unterstützt Unternehmen dabei eigene KI-Anwendungsfelder zu erschließen und für sich nutzbar zu machen. Dabei liegt ihr Hauptaugenmerk auf den Menschen mit ihren Tätigkeiten und Prozessen ohne dabei die Technologie außen vor zu lassen.

Autorenprofil



Kategorien: Künstliche Intelligenz
Tags: , , ,